Koreaanse chip vertraagt licht op commando — wat betekent dat?

TL;DR

• Wat: Onderzoekers van Seoul National University ontwikkelden een programmeerbare fotonische chip die de snelheid van licht kan regelen — op papier, via simulaties.
• Waarom relevant: Als deze technologie ooit in datacenters terechtkomt, kan het energieverbruik van AI-servers flink omlaag — en dat raakt uiteindelijk de kosten van AI-diensten die jij als ondernemer gebruikt.
• Wat je ermee kunt: Nog niets concreets, maar het is een signaal om de ontwikkeling van fotonische chips te volgen als je nadenkt over de lange termijn van AI-kosten.

Ik viel deze week over een bericht van @TheRundownAI over een chip die licht kan vertragen. Dat klinkt als sciencefiction, maar het onderzoek is echt — gepubliceerd in het wetenschappelijke tijdschrift Advanced Science. Ik wilde uitzoeken wat hier nu écht is aangetoond en wat het op termijn zou kunnen betekenen.

Wat hebben de onderzoekers precies gedaan?

Een team van Seoul National University en de University of Seoul — geleid door professoren Namkyoo Park, Sunkyu Yu en Xianji Piao — heeft een ontwerp gemaakt voor een fotonische chip die de snelheid van licht kan aanpassen. "Fotonisch" betekent hier: de chip werkt met licht in plaats van met elektrische signalen.

Het bijzondere is dat deze chip programmeerbaar is. Bij bestaande fotonische chips liggen de eigenschappen vast na fabricage — vergelijk het met een snelweg waar de maximumsnelheid voor altijd op 100 staat. Deze chip zou je achteraf nog kunnen instellen: soms 80, soms 120, afhankelijk van wat je nodig hebt.

De techniek heet coupled-resonator-induced transparency (CRIT). In essentie gebruiken de onderzoekers twee afstelbare luskoppelaars die bepalen hoe licht door de chip beweegt. Eén programmeerbare chip zou daarmee het werk kunnen doen van meerdere vaste chips.

Belangrijk voorbehoud

Ik wil hier eerlijk over zijn: dit onderzoek is gebaseerd op computersimulaties en theoretische analyse, niet op een fysiek gebouwd apparaat. Er is dus nog geen werkende chip die je kunt vasthouden. De onderzoekers geven zelf aan dat praktische implementatie en experimentele validatie de volgende stappen zijn. Dat is een wezenlijk verschil — tussen "we hebben berekend dat het zou moeten werken" en "het werkt".

Waarom licht vertragen nuttig is voor AI

Dit is misschien het meest tegenintuïtieve deel. Licht is snel — dat is juist het voordeel van optische systemen. Maar die snelheid is ook een probleem. Computers hebben namelijk momenten nodig waarop data even wordt vastgehouden: een buffer, een wachtrij, een geheugenmoment. Met elektronica is dat relatief eenvoudig. Met licht is dat lastig, juist omdát het zo snel is.

Stel je voor dat je een fabriek runt waar alle lopende banden op lichtsnelheid draaien. Fantastisch voor doorvoer, maar als je twee productielijnen wilt synchroniseren, heb je een manier nodig om één band even te vertragen. Dat is in essentie wat deze chip doet met lichtsignalen.

Voor AI-servers is dit relevant omdat huidige elektronische chips enorm veel energie verbruiken. Datacenters zijn inmiddels zo energiehongerig dat er wereldwijd discussie is over hun stroomverbruik. Fotonische chips beloven snellere dataverwerking met minder energie. Maar zonder de mogelijkheid om licht te bufferen en te timen, bleven ze beperkt inzetbaar.

Wat betekent dit voor de kosten van AI?

Hier wordt het interessant voor ondernemers — al moet ik meteen zeggen: dit is een lange-termijnperspectief.

De onderzoekers claimen dat hun technologie het energieverbruik in datacenters en AI-servers kan verlagen en de efficiëntie van dataverwerking kan verhogen. Maar — en dit vind ik belangrijk om te vermelden — er worden in het onderzoek geen concrete cijfers of percentages genoemd. Geen "50% minder stroomverbruik" of iets dergelijks. Het blijft bij een kwalitatieve belofte.

Wat mij betreft is dat niet per se een probleem in deze fase van het onderzoek, maar het betekent wel dat je de claims met een korrel zout moet nemen. We weten nog niet hoeveel efficiënter dit daadwerkelijk zou zijn.

Toch vind ik de richting relevant. Als ondernemer die AI-tools gebruikt — of dat nu ChatGPT is, een vertaaldienst, of beeldherkenning in je logistiek — betaal je uiteindelijk mee aan die rekenstroom. Iedere verbetering in de energie-efficiëntie van datacenters werkt op termijn door in de prijs van AI-diensten. Niet morgen, maar over jaren.

Hoe ver weg is dit van de praktijk?

Verder dan de meeste berichtgeving doet vermoeden, denk ik. Het onderzoeksteam spreekt over plannen om de technologie op te schalen naar "large-scale programmable photonic integrated circuits" en om experimentele validatie te doen. Dat betekent: de fysieke chip moet nog gebouwd worden, getest, en vervolgens opgeschaald.

De chip is ontworpen op een siliciumnitride-platform (Si₃N₄), een materiaal dat al wordt gebruikt in de chipindustrie. Dat is positief, want het betekent dat de productie in theorie kan aansluiten op bestaande fabricageprocessen. Maar tussen een simulatie en een werkend product in een datacenter zit doorgaans jaren van ontwikkeling.

De toepassingen die de onderzoekers noemen zijn breed: niet alleen AI-servers, maar ook autonome voertuigen, kwantumtechnologie en optische communicatie. Dat klinkt ambitieus — en het is een patroon dat je vaker ziet bij academisch onderzoek: de lijst met mogelijke toepassingen is altijd langer dan wat er uiteindelijk commercieel haalbaar blijkt.

Wat mij opvalt aan de berichtgeving

Ik merk dat de berichtgeving rond dit onderzoek — inclusief de oorspronkelijke tweet — de nadruk legt op de belofte van energiebesparing voor AI. Dat is begrijpelijk, want AI en energieverbruik is een actueel thema. Maar het risico is dat lezers denken dat er een werkende chip klaarligt die morgen in datacenters kan worden geplaatst.

Dat is niet het geval. Dit is fundamenteel onderzoek in een vroeg stadium. Waardevol, want alle technologische doorbraken beginnen zo. Maar de afstand tot jouw dagelijkse bedrijfsvoering is op dit moment nog groot.

Kun je je voorstellen dat je over vijf of tien jaar terugkijkt en zegt: "Oh ja, dat begon met die Koreaanse simulatie uit 2026"? Dat zou kunnen. Maar het kan ook zijn dat de technologie vastloopt op praktische obstakels die in simulaties niet zichtbaar waren.

Voor mij is dit vooral een herinnering dat de AI-infrastructuur waar we allemaal op leunen, niet stilstaat. Ergens in een lab in Seoul werken onderzoekers aan een fundamenteel ander soort chip — en de uitkomst daarvan bepaalt mede wat AI-diensten over een aantal jaar kosten en kunnen. Dat vind ik oprecht fascinerend om te volgen.